Prédiction par régression logistique
Comme pour la régression linéaire, l’intérêt de la régression logistique est de pouvoir faire des prédictions. Parcourons une nouvelle fois le processus de prédiction !
churn et mdl_churn_vs_both_inter sont disponibles ; itertools.product est importé.
Cet exercice fait partie du cours
<cours>Régression intermédiaire avec statsmodels en Python</cours>Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Create time_since_first_purchase
time_since_first_purchase = ____
# Create time_since_last_purchase
time_since_last_purchase = ____
# Create p as all combinations of values of time_since_first_purchase and time_since_last_purchase
p = ____
# Transform p to a DataFrame and name the columns
explanatory_data = ____
# Print the result
print(explanatory_data)